하위 구조 분석기는 여러 공정 현미경 메트릭의 자동 분석을 수행하는 사용자 친화적인 워크플로우입니다. 그것은 오픈 소스 소프트웨어 얼음의 제로 톤을 의미하지 않으며 또한 기계 기능을 사용하여. 중요한 것은, 이 워크플로우는 지식이있는 지식과 이미지 분석을 생산하는 저렴한 리조트입니다.
다중 채널 이미지는 워크플로 내에서 로드되고 신호 대 노이즈 비율을 개선하고 이미징 또는 결함을 제거하기 위해 미리 처리됩니다. 그런 다음 이미지 세분화는 배경에서 ROI라고도 하는 관심 영역을 격리합니다. 클러스터링 수준과 관심 있는 개체의 특성에 따라 여러 분할 방법을 사용할 수 있습니다.
분할된 개체는 특정 폴더에 특정 설명자가 저장됩니다. 그런 다음 힘 및 신호는 행 내에서 분석되고 위치, 크기, 밀도 텍스처의 모양 과 같은 여러 피쳐를 분석하지만 숫자와 크기는 자동으로 생성된 스프레드시트로 내보냅니다. 얼음 웹 사이트에서 얼음을 다운로드합니다.
그런 다음 프로토콜의 얼음 라이브러리에서 하위 구조 분석기 프로토콜을 다운로드합니다. 얼음을 열고 리본 메뉴에서 도구를 클릭합니다. 프로토콜을 클릭하여 프로토콜 편집기 인터페이스를 엽니다.
부하를 클릭하고 프로토콜 하위 구조 분석기를 엽니다. 프로토콜 로드는 몇 초 정도 걸릴 수 있습니다. 워크플로는 특정 하위 작업을 수행하는 여러 상자로 구성된 파이프라인으로 작동하는 각 블록 13개의 일반 블록으로 구성됩니다.
각 블록 또는 상자에번호가 매겨지며 워크플로 내에서 특정 랭크가 있습니다. 이 번호를 클릭하여 선택한 블록에 가장 가까운 위치를 첫 번째 블록에 할당합니다. 다른 블록의 위치가 재구성됩니다.
왼쪽 상단 모서리 아이콘을 클릭하면 블록을 축소할 수 있습니다. 확대, 좁아지거나 제거할 수도 있습니다. 워크플로의 각 파이프라인은 다른 입력 및 출력에 의해 함께 연결된 상자 네트워크에 의해 발생합니다.
연결을 만들려면 출력을 클릭하고 커서가 입력과 관련될 때까지 유지 관리합니다. 출력 태그를 클릭하여 연결을 제거할 수 있습니다. 시퀀스를 병합할 되도록 파일이름을 변경해야 하는 경우 동일한 이름 접두사 뒤에 고유한 분리기가 있습니다.
예를 들어 이미지 A의 개별 채널 시퀀스는 이미지 A의 이름은 빨간색, 이미지 A는 파란색 을 강조합니다. 동일한 폴더에서 병합할 채널당 새 폴더를 만듭니다. 예를 들어 빨간색, 녹색 및 파란색 채널을 병합하려면 세 개의 폴더를 만들고 해당 시퀀스를 이러한 폴더 내에 저장합니다.
블록 병합 채널만 사용하고, 다른 블록을 제거하고, 프로토콜을 병합 채널로 저장합니다. 매개 변수를 설정하기 위해 상자에 액세스합니다. 상자에서 채널 번호 x는 추출할 채널을 선택합니다.
클래식 RGB 이미지에서는 0이 빨간색이고 하나는 녹색이고 두 개는 파란색입니다. 상자에서 폴더 채널 번호 x, 채널 x의 이미지가 포함 된 폴더의 이름을 다시 슬래시. 상자에 채널 번호 x를 분리합니다.
이미지 이름에 대한 분리기 사용입니다. 상자에서 색상 맵 채널 번호 x는 Icy에서 해당 채널을 시각화하는 데 사용할 모델 열수를 나타냅니다. 병합된 이미지의 형식인 상자에 병합된 이미지를 저장하기 위해 확장을 작성합니다.
병합 채널 블록의 왼쪽 위 모서리에서 폴더 오른쪽에 있는 링크를 직접 클릭합니다. 나타나는 열린 대화 상자에서 상자 폴더 채널 번호 1에 정의된 첫 번째 채널의 시퀀스가 포함된 폴더를 두 번 클릭합니다. 그런 다음 열어 클릭하고 프로토콜을 실행합니다.
병합된 이미지는 개별 채널의 폴더와 동일한 디렉토리의 병합된 폴더에 저장됩니다. 개체 세분화는 이미지 분석에서 가장 어려운 단계입니다. 효율성은 결과 집합 측정의 정확도를 결정합니다.
따라서 구조 분석기는 간단하고 복잡한 알고리즘을 통합하여 이미지 복잡성과 사용자 요구에 맞게 다른 대안을 제안합니다. 개체가 서로 접촉하지 않는 경우, 다른 사용자는 개별적으로 블록 세분화 A.개체가 서로 접촉하지 않는 경우, 그러나 그들 중 일부는 근접에 있는 클러스터된 개체를 구별 할 필요가 없습니다, 블록 세그먼트 B.의 경우 높은 클러스터링 수준과 볼록 모양의 객체를 사용, 차단 C.개체가 높은 클러스터링 레벨을 제시하고 불규칙한 모양이있는 경우, 차단 C.를 사용 , 블록 세분화 D.를 사용하여 분화된 핵을 마커로 사용하여 개별적으로 접촉하는 세포질을 분할하기 위해 클러스터 세포질에서 블록 세분화를 사용합니다. 기본 개체 세분화에 대한 블록 적응형은 여러 블록을 동일한 실행에서 사용하여 특정 하위 구조에 대한 효율성을 비교하거나 다양한 유형의 하위 구조를 분할하는 데 사용할 수 있도록 독립적으로 처리할 수 있습니다.
세분화를 설명하기 위해 더 많은 수의 문제에 맞는 블록 세분화 B가 선택되었습니다. 이 블로그를 사용하려면. 먼저 폴더를 선택하려면 링크합니다.
그런 다음 채널 신호를 호출하여 개체의 채널을 세그먼트로 설정합니다. 예를 들어, B에 대응하기 위해, 상자 HK 수단에서, 검출할 객체의 픽셀에서 강도 클래스 매개 변수와 대략 최소 및 최대 크기를 설정합니다. 강도 클래스의 경우 두 값의 값은 배경과 전경의 두 클래스에서 픽셀을 분류합니다.
따라서 개체와 배경 사이의 대비가 높을 때 조정됩니다. 전경 오브젝트의 원점 강도가 있거나 배경과의 대비가 낮은 경우 클래스 수를 늘립니다. 상자에서 활성 윤곽은 개체 테두리의 검색을 최적화합니다.
이 과정에서 세그먼트된 개체의 이미지를 저장하기 위해 폴더가 만들어집니다. 상자 텍스트에서 이 폴더의 이름을 지정합니다(예: 핵 분할). 분할된 개체의 이미지를 저장하는 형식을 설정하려면 분할된 개체의 이미지의 상자 형식을 채우고 프로토콜을 실행합니다.
폴더는 병합된 이미지가 포함된 폴더에 만들어집니다. 분할된 개체에서 분석할 법률 및 채널 및 셀 구획의 수에 적응하기 위해 다양한 블록이 개발되었습니다. 다음 예제에서는 분석을 위해 동일한 구획에서 블록 형광 분석 P.Two 채널을 선택하고 폴더를 선택하도록 연결합니다.
이 분석이 매개 변수 받은 편지함 폴더 이미지 ROI를 설정하기 전에 세분화 블록이 처리되어야하며 백슬래시가 앞에 놓인 분할 된 개체의 이미지가 포함된 폴더의 이름을 작성합니다. 분할된 개체의 이미지의 받은 편지함 형식을 사용하여 분할된 개체의 이미지를 저장하는 데 사용되는 형식을 작성합니다. 받은 편지함에서 테두리를 제거하여 두 개체를 모두 제거합니다.
그렇지 않으면, 지금, 이미징의 더 완전한 J 컬렉션의 설치는이 기능을 사용 하 여 필요. 상자 채널 스팟 신호에서 스팟을 감지해야 하는 채널을 설정합니다. 클래식 RTP 이미지에서 0은 빨간색 1이 녹색이고 두 개는 파란색입니다.
국소화 된 분자의 상자 이름으로, 반점에 국한 분자의 이름을 작성합니다. 대답할 필드 수는 분자 수에 따라 다릅니다. 검출기 블록당 상자 파장에서 각 개별 채널에 대한 스팟 감지 매개 변수를 설정합니다.
방에서 다른 블록을 처리하려면 블록 선택 폴더와 함께 선택한 블록의 연결을 유지합니다. 워크플로의 좋은 처리 보다 낮은 순위를 확인합니다. 워크플로를 실행하기 전에 사용하지 않은 블록을 제거하고 새 프로토콜을 다른 이름으로 저장하는 것이 좋습니다.
실행을 클릭하여 워크플로를 시작합니다. 눈을 뜨면 책이 나타납니다. 간호사 이미지가 들어 있는 폴더를 두 번 클릭한 다음 열기를 클릭하면 워크플로가 자동으로 실행됩니다.
처리가 메시지를 완료하면 성공적으로 실행된 워크플로가 오른쪽 아래 모서리에 나타나고 모든 블록에 녹색 기호가 표시됩니다. 블록과 화살표 기호를 표시하는 내부 상자가 아닌 경우 요소가 올바른 요소를 나타냅니다. 중요한 것은, 여러 디스플레이처리를 제어하기 위해 각 실행 중에 중간 결과를 시각화할 수 있습니다.
이 워크플로의 신속성, 유연성 및 기능은 다양한 예로 제한됩니다. 이 첫 번째 예에서는 TNF 알파의 농도가 증가함에 따라 NF 카파 B.의 핵 전좌를 분석합니다. 핵과 세포질은 세분화 C 및 E 블록을 사용하여 묘사되었다.
신호에서 번창하는 NF kappa B는 글로벌 전좌 분석 블록을 사용하여 분석되었다. 96개의 심상에서 40개 이상의 000세포가 26분 만에 분석되었다. 생성된 데이터는 TNF 알파에 의한 NF Kappa B 핵 전좌의 유도를 보여주는 이 용량 반응 곡선을 확립하는 데 사용되었다.
워크플로를 사용하여 파일 크기를 감지하고 해당 기능에 대한 특정 정보를 추출할 수도 있습니다. 여기서, 개별 세포에서의 특성은 단백질에 대한 EDC를 국소화함으로써 검출되었다. 세포질내핵은 세분화 A 및 E 블록을 사용하여 묘사되었다.
EDC4는 이러한 예에 C.In 형광 분석 블록을 사용하여 분석되었으며, 세포질 EDC4 사인은 분석된 두 세포모두에서 검출되었다. 각 전체 면의 픽셀 크기는 스프레드시트에 제공됩니다. 이 예에서는 워크플로우의 다재다능함을 활용하여 탄수화물을 산화 스트레스의 긴 운동학으로 연구했습니다.
코일린의 핵력 징후는 탄수화물의 주요 구조 성분으로, 53BP1로 국소화된 이중 가닥 파손에 의해 평가된 크기, 응력 상태에 따라 그 수와 크기를 분석했다. 핵은 코일린 및 53BP1의 세분화 프록시, 핵력 및 신호를 사용하여 묘사되었으며, 2300개의 개별 세포로부터의 데이터를 사용하여 형광 분석 블록 B.를 사용하여 동시에 분석되었으며, 그 크기 감소와 관련된 응력 유도 후 그린필드 부위의 수가 크게 증가했음을 입증하였다. 이 데이터는 산화 스트레스가 코일린 발현의 변화를 정당화하기 위해 핵 플라스믹 분포를 더 작은 핵의 수로 사용하는 탄수화물의 핵형성 능력을 변화시키고 코일린 발현의 변화를 정당화할 수 있음을 강력하게 시사한다.
외인성 GFP 코일린 융합 단백질이 과발현되었다. 우리 몸의 특징은 GFP 코일린 과발현 수준에 따라 분석되었다. 핵은 분할 블록 A.코일린및 GFP 코일린의 형광 신호를 사용하여 묘사되었고, 형광 분석 블록 B.GFP 코일린의 과발현 수준은 개별 핵에서 GFP 신호의 의미 밀도에 의해 반영되었다.
하위 구조 분석기에서 생성된 데이터는 과발현의 GFP 코일린이 탄수화물의 크기와 수를 크게 증가시킨다는 것을 보여줍니다. 산화 스트레스는 탄수화물의 수를 증가하지만 크기를 감소시키기 때문에. 이 데이터는 탄수화물의 구조에 산화 스트레스 효과 가장 아마 코일린의 특정 금액에 미치는 영향 보다는 그들의 조성의 변화에 의해 유도 될 수 있습니다 반영할 수 있습니다.
따라서 구조 분석기는 바이오 이미지 분석을 위한 고도로 모듈식 워크플로우입니다. 채널의 단순한 병합에서 수천 개의 셀에서 여러 바닥및 신호의 정량화에 이르기까지 여러 컨텍스트에 적응할 수 있습니다. 또한 이미지 복잡성에 따라 간단하고 복잡한 세분화 알고리즘을 통합하고 형광 신호 피쳐 추출을 자동화합니다.
